[发明专利]基于深度学习的CTA全自动侧枝循环评分方法及系统

权利要求书

1.一种基于深度学习的CTA全自动侧枝循环评分方法，其特征在于，包括：

步骤S1：获取大脑CTA图像和相应的二值掩模数据集，获取大脑动脉概率密度图和大脑半球图，对大脑CTA图像进行掩模和归一化的预处理；

步骤S2：对CTA图像进行脑区划分，获取相关解剖图谱以及功能图谱，获取加权大脑各脑区掩模图；

步骤S3：对掩模与归一化后的CTA图像进行血管分割；

步骤S4：基于血管分割结果量化计算评分特征；

步骤S5：基于卷积神经网络测量血管壁厚度的评分特征；

步骤S6：构建多标签评分分类模型，对计算得到的特征向量进行分类评分。

2.根据权利要求1所述的基于深度学习的CTA全自动侧枝循环评分方法，其特征在于，所述步骤S1包括：

步骤S1.1：对数据集进行颅骨剥离和中线矫正；

步骤S1.2：使用连续仿射和可变形对称微分同形图像配准将手动标记后的数据集配准；

步骤S1.3：进行空间归一化，通过B样条插值变换得到大脑动脉概率密度图；

步骤S1.4：在CTA图像空间内定义与手动标记大脑半球图；

步骤S1.5：将二值脑掩模、大脑动脉概率密度图和半球图相应变换到每张CTA图像空间进行掩模；

步骤S1.6：使用最大最小值归一化对CTA图像进行归一化。

3.根据权利要求1所述的基于深度学习的CTA全自动侧枝循环评分方法，其特征在于，所述步骤S2包括：

步骤S2.1：对CTA图像进行解剖图谱脑区划分；

步骤S2.2：对CTA图像进行功能图谱脑区划分；

步骤S2.3：对各脑区进行权重赋值；

步骤S2.4：获得加权脑区划分后的CTA图像。

4.根据权利要求1所述的基于深度学习的CTA全自动侧枝循环评分方法，其特征在于，所述步骤S3包括：

步骤S3.1：获取预处理后CTA图像；

步骤S3.2：用3×3×3的正方形结构元素对人工标注的每一条单像素中心线进行扩展；

步骤S3.3：将训练图像输入网络模型，该模型包括编码器和解码器；

步骤S3.4：编码器对图像进行处理，每一步的操作包括两次用以提取特征的3×3×3卷积和一次进行下采样的2×2×2池化；

步骤S3.5：解码器对图像进行处理，每一步包括一次3×3×3的反卷积以进行上采样，并拼接上来自压缩路径的相同大小的特征图，最后进行两次卷积；

步骤S3.6：利用骰子分数衡量网络模型性能，并进行训练；

步骤S3.7：将测试图像输入网络模型；

步骤S3.8：网络模型输出测试CTA图像的分割结果。

5.根据权利要求1所述的基于深度学习的CTA全自动侧枝循环评分方法，其特征在于，所述步骤S4包括：

步骤S4.1：基于临床信息和大脑半球图，生成患侧二进制图和非患侧二进制图；

步骤S4.2：计算体积方面内的血管体积比率与最大值期相时间并加权：

其中，p代表大脑中的一个体素，H_Y是患侧大脑，H_N是健侧大脑，W(D_i)代表三级血管分区的权重值，T_Y代表患侧得到最大体积值的时相时间，T_N代表健侧得到最大体积值的时相时间；

步骤S4.3：计算流速方面内的血液流速比率；

其中，V_Y和V_N分别代表患侧和健侧的血管流速。